#Densidad Poblacional
densidad <- read.csv(file="DatAct1/DensidadPob.csv", encoding = "UTF-8",
skip = 4) %>%
select(Country.Name, X2017) %>%
rename(pais = Country.Name, densidad17 = X2017) %>%
slice(-filas)
#Desempleo
desempleo <- read.csv(file = "DatAct1/Desempleo.csv", skip = 4, encoding = "UTF-8") %>%
select(Country.Name, X2017) %>%
rename(pais = Country.Name, desempleo17 = X2017) %>%
slice(-filas)
#Camas hospitalaria
camas <- read.csv(file = "DatAct1/CamasHospital.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2014) %>%
rename(pais = Country.Name, camas14 = X2014) %>%
slice(-filas)
#Cajeros automaticos
cajeros <- read.csv(file = "DatAct1/Cajeros.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2017) %>%
rename(pais = Country.Name, cajeros17 = X2017) %>%
slice(-filas)
#Contaminación por PM2.5
pm2.5 <- read.csv(file = "DatAct1/ContaminacionPM25.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2017) %>%
rename(pais = Country.Name, pm2517 = X2017) %>%
slice(-filas)
#Población rural
pob_rural <- read.csv(file = "DatAct1/PobRural.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2017) %>%
rename(pais = Country.Name, pobRural17 = X2017) %>%
slice(-filas)
#Tierras cultivables
tierra_cult <- read.csv(file = "DatAct1/TierrasCultivables.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2016) %>%
rename(pais = Country.Name, tierrasCult16 = X2016) %>%
slice(-filas)
#Consumo de fertilizantes
fertilizantes <- read.csv(file = "DatAct1/ConsumoFertilizantes.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2016) %>%
rename(pais = Country.Name, fertil16 = X2016) %>%
slice(-filas)
#Acceso a electricidad
electricidad <- read.csv(file = "DatAct1/AccesoElectricidad.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2016) %>%
rename(pais = Country.Name, electri16 = X2016) %>%
slice(-filas)
#PIB
pib <- read.csv(file = "DatAct1/PIB.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2016) %>%
rename(pais = Country.Name, pib16 = X2016) %>%
slice(-filas)
#Crecimiento PIB
cto_pib <- read.csv(file = "DatAct1/CrecimientoPIB.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2016) %>%
rename(pais = Country.Name, cto_pib16 = X2016) %>%
slice(-filas)
#Gasto público en educación
gasto_edu <- read.csv(file = "DatAct1/GastoPublico.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2016) %>%
rename(pais = Country.Name, gasto_edu16 = X2016) %>%
slice(-filas)
#Gasto militar
gasto_militar <- read.csv(file = "DatAct1/GastoMilitar.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2017) %>%
rename(pais = Country.Name, gasto_militar17 = X2017) %>%
slice(-filas)
#Gasto I+D
gasto_id <- read.csv(file = "DatAct1/GastoID.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2016) %>%
rename(pais = Country.Name, gasto_id16 = X2016) %>%
slice(-filas)
#Deuda externa acumulada
deuda <- read.csv(file = "DatAct1/GastoID.csv", skip = 4,
encoding = "UTF-8") %>%
select(Country.Name, X2016) %>%
rename(pais = Country.Name, deuda16 = X2016) %>%
slice(-filas)merge(): Funcion del paquete baseinner_join(): Funcion dplyr#Con merge ss <- merge(cajeros,camas) %>% merge(desempleo)
df_unida <- cajeros %>%
inner_join(camas) %>%
inner_join(cto_pib) %>%
inner_join(densidad) %>%
inner_join(desempleo) %>%
inner_join(deuda) %>%
inner_join(electricidad) %>%
inner_join(fertilizantes) %>%
inner_join(gasto_edu) %>%
inner_join(gasto_id) %>%
inner_join(gasto_militar) %>%
inner_join(pib) %>%
inner_join(pm2.5) %>%
inner_join(pob_rural) %>%
inner_join(tierra_cult)
df_unidaggarrange(
#Grafico 1
df_unida %>%
select(pais,densidad17) %>%
arrange(desc(densidad17)) %>%
slice(c(1:10)) %>%
ggplot(., aes(x=reorder(pais,+densidad17),y=densidad17)) +
geom_bar(stat = "identity") +
labs(x="País", y ="Personas por kilometro", subtitle = "10 paises con mayor densidad poblacional",fill="")+
theme_bw()+
theme(axis.text.x = element_text(angle=45,hjust = 1),
plot.subtitle = element_text(hjust=0.5)),
#Grafico2
df_unida %>%
select(pais,densidad17) %>%
arrange(desc(densidad17)) %>%
slice(c(1:10)) %>%
ggplot(., aes(x=reorder(pais,+densidad17),y=densidad17)) +
geom_point() +
labs(x="País", y ="Personas por kilometro", subtitle = "10 paises con mayor densidad poblacional",fill="")+
theme_bw()+
theme(axis.text.x = element_text(angle=45,hjust = 1),
plot.subtitle = element_text(hjust=0.5)),
#Grafico3
df_unida %>%
select(pais,densidad17) %>%
arrange(desc(densidad17)) %>%
slice(c(1:10)) %>%
ggplot(., aes(x=reorder(pais,+densidad17),y=densidad17)) +
geom_bar(stat = "identity") +
labs(x="País", y ="Personas por kilometro", subtitle = "10 paises con mayor densidad poblacional",fill="")+
theme(plot.subtitle = element_text(hjust=0.5))+
coord_flip()+
theme_bw(),
#Grafico 4
df_unida %>%
select(pais,densidad17) %>%
arrange(desc(densidad17)) %>%
slice(c(1:10)) %>%
ggplot(., aes(x=reorder(pais,+densidad17),y=densidad17)) +
geom_point()+
labs(x="País", y ="Personas por kilometro", subtitle = "10 paises con mayor densidad poblacional",fill="")+
theme_bw()+
theme(plot.subtitle = element_text(hjust=0.5))+
coord_flip(),
#Diseño de ventana
ncol = 1,
nrow = 4
)ggplotly(
df_unida %>%
select(pais,densidad17) %>%
arrange(desc(densidad17)) %>%
slice(c(1:10)) %>%
ggplot(., aes(x=reorder(pais,+densidad17),y=densidad17,color=pais)) +
geom_point(size=3)+
geom_segment(aes(x=reorder(pais,+densidad17),
xend=reorder(pais,+densidad17),
y=0,
yend=densidad17,
color=pais))+
labs(x="País", y ="Personas por kilometro",
subtitle = "10 paises con mayor densidad poblacional",fill="")+
theme_bw()+
theme(plot.subtitle = element_text(hjust=0.5),legend.position = "none")+
coord_flip()
)## [1] -0.004659012
## [1] 0.03202061
## [1] 0.02050581
#Listado de paises y contienentes
lista_pais_continente <- data.frame(pais = countrycode::codelist$cldr.name.es, continente = countrycode::codelist$continent, stringsAsFactors = FALSE)
#Conversion a palabras sin tilde
lista_pais_continente <- lista_pais_continente %>% mutate(pais=stri_trans_general(pais,"Latin-ASCII"))
df_unida <- df_unida %>% mutate(pais=stri_trans_general(pais,"Latin-ASCII"))
#Correccion de nombres
df_unida$pais[df_unida$pais %in% "Arabia Saudita"] = "Arabia Saudi"
df_unida$pais[df_unida$pais %in% "Bahrein"] = "Barein"
df_unida$pais[df_unida$pais %in% "Bangladesh"] = "Banglades"
df_unida$pais[df_unida$pais %in% "Belarus"] = "Bielorrusia"
df_unida$pais[df_unida$pais %in% "Bhutan"] = "Butan"
df_unida$pais[df_unida$pais %in% "Bosnia y Herzegovina"] = "Bosnia-Herzegovina"
df_unida$pais[df_unida$pais %in% "Botswana"] = "Botsuana"
df_unida$pais[df_unida$pais %in% "Brunei Darussalam"] = "Brunei"
df_unida$pais[df_unida$pais %in% "Congo, Republica del"] = "Republica del Congo"
df_unida$pais[df_unida$pais %in% "Congo, Republica Democratica del"] = "Republica Democratica del Congo"
df_unida$pais[df_unida$pais %in% "Corea, Republica de"] = "Republica de Corea"
df_unida$pais[df_unida$pais %in% "Corea, Republica Popular Democratica de"] = "Republica Popular Democratica de Corea"
df_unida$pais[df_unida$pais %in% "Curacao"] = "Curazao"
df_unida$pais[df_unida$pais %in% "Djibouti"] = "Yibuti"
df_unida$pais[df_unida$pais %in% "Egipto, Republica Arabe de"] = "Egipto"
df_unida$pais[df_unida$pais %in% "Eswatini"] = "Suazilandia"
df_unida$pais[df_unida$pais %in% "Federacion de Rusia"] = "Rusia"
df_unida$pais[df_unida$pais %in% "Fiji"] = "Fiyi"
df_unida$pais[df_unida$pais %in% "Guinea-Bissau"] = "Guinea-Bisau"
df_unida$pais[df_unida$pais %in% "Hong Kong, Region Administrativa Especial"] = "RAE de Hong Kong (China)"
df_unida$pais[df_unida$pais %in% "Iran, Republica Islamica del"] = "Iran"
df_unida$pais[df_unida$pais %in% "Iraq"] = "Irak"
df_unida$pais[df_unida$pais %in% "Islas Virgenes (EE.UU.)"] = "Islas Virgenes de EE. UU."
df_unida$pais[df_unida$pais %in% "Kazajstan"] = "Kazajistan"
df_unida$pais[df_unida$pais %in% "Kenya"] = "Kenia"
df_unida$pais[df_unida$pais %in% "Lesotho"] = "Lesoto"
df_unida$pais[df_unida$pais %in% "Malawi"] = "Malaui"
df_unida$pais[df_unida$pais %in% "Micronesia (Estados Federados de)"] = "Estados Federados de Micronesia"
df_unida$pais[df_unida$pais %in% "Myanmar"] = "Myanmar (Birmania)"
df_unida$pais[df_unida$pais %in% "Nueva Zelandia"] = "Nueva Zelanda"
df_unida$pais[df_unida$pais %in% "Palau"] = "Palaos"
df_unida$pais[df_unida$pais %in% "Qatar"] = "Catar"
df_unida$pais[df_unida$pais %in% "Region Administrativa Especial de Macao, China"] = "RAE de Macao (China)"
df_unida$pais[df_unida$pais %in% "Republica Arabe Siria"] = "Siria"
df_unida$pais[df_unida$pais %in% "Republica Checa"] = "Chequia"
df_unida$pais[df_unida$pais %in% "Republica de Moldova"] = "Moldavia"
df_unida$pais[df_unida$pais %in% "Republica Democratica Popular Lao"] = "Laos"
df_unida$pais[df_unida$pais %in% "Republica Eslovaca"] = "Eslovaquia"
df_unida$pais[df_unida$pais %in% "Rwanda"] = "Ruanda"
df_unida$pais[df_unida$pais %in% "Saint Kitts y Nevis"] = "San Cristobal y Nieves"
df_unida$pais[df_unida$pais %in% "Suriname"] = "Surinam"
df_unida$pais[df_unida$pais %in% "Viet Nam"] = "Vietnam"
df_unida$pais[df_unida$pais %in% "Yemen, Rep. del"] = "Yemen"
df_unida$pais[df_unida$pais %in% "Zimbabwe"] = "Zimbabue"
#Uniendo la informacion de continente
df_unida <- df_unida %>% left_join(lista_pais_continente)
#Añadiendo informacio extra
df_unida$continente[df_unida$pais %in% "Islas del Canal"] = "Europe"
df_unida$continente[df_unida$pais %in% "Kosovo"] = "Europe"
df_unida$continente[df_unida$pais %in% "Macedonia del Norte"] = "Europe"
df_unida$continente[df_unida$pais %in% "Mariana"] = "Oceania"
df_unida$continente[df_unida$pais %in% "Ribera Occidental y Gaza"] = "Africa"
df_unida$continente[df_unida$pais %in% "Republica de Corea"] = "Asia"
df_unida$continente[df_unida$pais %in% "Isla de San Martin (parte francesa)"] = "Africa"
df_unida$continente[df_unida$pais %in% "Republica Popular Democratica de Corea"] = "Asia"
df_unida$continente[df_unida$pais %in% "Sint Maarten (Dutch part)"] = "Africa"
#Imprimir tabla con opciones de descarga
datatable(df_unida,extensions = 'Buttons',
options = list( scrollX = TRUE, fixedColumns = TRUE, dom = 'Bfrtip',buttons =
list('copy', 'print', list( extend = 'collection',
buttons = c('csv', 'excel', 'pdf'), text = 'Download'))))ggplotly(
df_unida %>%
ggplot(data = ., mapping = aes(x=fct_infreq(as.factor(continente)),
y = gasto_id16, label=pais,color=continente))+
theme_bw()+
geom_violin(trim = F,alpha=0.3)+
geom_boxplot()+
stat_summary(fun.y = "mean",geom = "point",shape=23)+
geom_jitter(width = 0.19,alpha=0.4)+
labs(x="Continente",y="Gasto en investigacion y desarrollo (%PIB)")
)ggplotly(
df_unida %>% gather(key = Variable, value = valor,-c(pais,continente)) %>%
ggplot(data = .,mapping = aes(x=valor,fill=Variable)) +
theme_bw() +
theme(axis.text.x = element_blank(),
axis.ticks.x = element_blank(),
axis.text.y = element_blank(),
axis.ticks.y = element_blank())+
theme(legend.position = "none")+
geom_density(alpha=0.3)+
geom_histogram(mapping = aes(y=..density..)) +
facet_wrap(~Variable,scales = "free")
)